无监督学习 - 维基百科，自由的百科全书

此条目需要扩充。 (2018年4月15日)
请协助改善这篇条目，更进一步的信息可能会在讨论页或扩充请求中找到。请在扩充条目后将此模板移除。

此条目需要精通或熟悉相关主题的编者参与及协助编辑。 (2018年4月15日)
请邀请适合的人士改善本条目。更多的细节与详情请参见讨论页。

机器学习与数据挖掘

范式监督学习无监督学习在线机器学习元学习（英语：Meta-learning (computer science)）半监督学习自监督学习强化学习基于规则的机器学习（英语：Rule-based machine learning）量子机器学习
问题统计分类生成模型回归分析聚类分析降维密度估计（英语：density estimation）异常检测数据清洗自动机器学习关联规则学习语义分析结构预测（英语：Structured prediction）特征工程表征学习排序学习（英语：Learning to rank）语法归纳（英语：Grammar induction）本体学习（英语：Ontology learning）多模态学习（英语：Multimodal learning）
监督学习 (分类 · 回归) 学徒学习（英语：Apprenticeship learning）决策树学习集成学习 Bagging 提升方法随机森林 k-NN 线性回归朴素贝叶斯人工神经网络逻辑斯谛回归感知器相关向量机（RVM）支持向量机（SVM）迁移学习微调
聚类分析 BIRCH CURE算法（英语：CURE algorithm）层次 k-平均 Fuzzy 期望最大化（EM） DBSCAN OPTICS 均值飘移（英语：Mean shift）
降维因素分析 CCA ICA LDA NMF（英语：Non-negative matrix factorization） PCA PGD（英语：Proper generalized decomposition） t-SNE（英语：t-distributed stochastic neighbor embedding） SDL
结构预测（英语：Structured prediction）图模式贝氏网络条件随机域隐马尔可夫模型
异常检测 RANSAC k-NN 局部异常因子（英语：Local outlier factor）孤立森林（英语：Isolation forest）
人工神经网络自编码器认知计算深度学习 DeepDream（英语：DeepDream）多层感知器 RNN LSTM GRU（英语：Gated recurrent unit） ESN（英语：Echo state network）储备池计算（英语：reservoir computing）受限玻尔兹曼机 GAN SOM CNN U-Net Transformer Vision transforme（英语：Vision transformer）脉冲神经网络（英语：Spiking neural network） Memtransistor（英语：Memtransistor）电化学RAM（英语：Electrochemical RAM）（ECRAM）
强化学习 Q学习 SARSA 时序差分（TD）多智慧体（英语：Multi-agent reinforcement learning） Self-play（英语：Self-play (reinforcement learning technique)） RLHF
与人类学习主动学习（英语：Active learning (machine learning)）众包 Human-in-the-loop（英语：Human-in-the-loop）
模型诊断学习曲线（英语：Learning curve (machine learning)）
数学基础内核机器（英语：Kernel machines）偏差–方差困境（英语：Bias–variance tradeoff）计算学习理论（英语：Computational learning theory）经验风险最小化奥卡姆学习（英语：Occam learning） PAC学习（英语：Probably approximately correct learning）统计学习 VC理论
大会与出版物 NeurIPS ICML（英语：International Conference on Machine Learning） ICLR ML（英语：Machine Learning (journal)） JMLR（英语：Journal of Machine Learning Research）
相关条目人工智慧术语（英语：Glossary of artificial intelligence）机器学习研究数据集列表（英语：List of datasets for machine-learning research）机器学习概要（英语：Outline of machine learning）
查论编

无监督学习（英语：unsupervised learning），又称非监督式学习，是机器学习的一种方法，没有给定事先标记过的训练示例，自动对输入的资料进行分类或分群。无监督学习的主要运用包含：聚类分析（cluster analysis）、关系规则（association rule）、维度缩减（dimensionality reduce）。它是监督式学习和强化学习等策略之外的一种选择。

一个常见的无监督学习是数据聚类。在人工神经网络中，生成对抗网络（GAN）、自组织映射（SOM）和适应性共振理论（ART）则是最常用的非监督式学习。

ART模型允许集群的个数可随着问题的大小而变动，并让用户控制成员和同一个集群之间的相似度分数，其方式为透过一个由用户自定而被称为警觉参数的常量。ART也用于模式识别，如自动目标识别和数码信号处理。第一个版本为"ART1"，是由卡本特和葛罗斯柏格所发展的。

方法[编辑]

非监督式学习常使用的方法有很多种，包括：

分群法
异常检测
自编码
深度置信网络（英语：Deep belief network）
赫布学习
生成对抗网络
自组织映射
学习潜在变量模型的方法
- 最大期望算法
- 矩估计
- 盲信号分离技术，例如：
  - 主成分分析
  - 独立成分分析
  - 非负矩阵分解（英语：Non-negative matrix factorization）
  - 奇异值分解

另见[编辑]

参考文献[编辑]

Geoffrey Hinton, Terrence J. Sejnowski（editors，1999) Unsupervised Learning and Map Formation: Foundations of Neural Computation, MIT Press, ISBN 0-262-58168-X（这本书专注于人工神经网络的非监督式学习）
S. Kotsiantis, P. Pintelas, Recent Advances in Clustering: A Brief Survey, WSEAS Transactions on Information Science and Applications, Vol 1, No 1 (73-81), 2004.
Richard O. Duda, Peter E. Hart, David G. Stork. Unsupervised Learning and Clustering, Ch. 10 in Pattern classification (2nd edition), p. 571, Wiley, New York, ISBN 0-471-05669-3, 2001.

查论编电脑科学的主要领域

注：该模板大致遵循ACM 电脑分类系统。

电脑硬件	印刷电路板外部装置集成电路超大规模集成电路绿色计算电子设计自动化

系统架构组织	电脑系统架构嵌入式系统实时计算

网络	网络传输协议路由网络拓扑网络服务

软件组织	解释器中间件虚拟机操作系统软件质量

软件符号和工具	编程范型编程语言编译器领域特定语言软件框架集成开发环境软件配置管理函式库

软件开发	软件开发过程需求分析软件设计软件部署软件维护开源模式

计算理论	自动机可计算性理论计算复杂性理论量子计算数值计算方法电脑逻辑形式语义学

算法	算法分析算法设计算法效率随机化算法计算几何

计算数学	离散数学资讯与计算科学统计学数学软件数理逻辑集合论数论图论类型论范畴论资讯论数值分析数学分析

资讯系统	数据库管理系统电脑数据企业资讯系统（英语：Enterprise information system）社会性软件地理资讯系统决策支持系统过程控制数据挖掘数码图书馆系统平台数码营销万维网资讯检索

安全	密码学形式化方法入侵检测系统网络安全资讯安全

人机交互	电脑辅助功能用户界面可穿戴电脑普适计算虚拟现实聊天机器人

并发性	并发计算并行计算分布式计算多线程多元处理

人工智慧	自动推理计算语言学电脑视觉进化计算专家系统自然语言处理机器人学

机器学习	监督式学习无监督学习强化学习交叉验证

电脑图形学	电脑动画可视化渲染修饰照片图形处理器混合实境虚拟现实图像处理图像压缩实体造型

应用计算	电子商务企业级软件计算数学计算物理学计算化学计算生物学计算社会科学医学资讯学数字艺术电子出版网络战电子游戏文字处理器运筹学教育技术学生物资讯学认知科学文件管理系统（英语：Document management system）

分类主题专题维基共享